audio2text

音频 / 视频转双语字幕服务。上传视频 → ffmpeg 提取音频 → faster-whisper 识别英语 → 断句 + 时间戳重算 → NLLB 翻译为中文 → 输出双语 SRT。全程跑在 Docker 容器里，自带 网页上传界面，支持大文件分片上传与断点续传。

仿照 zikai 的 server/ 风格分层（controllers → services），CPU 开发 / GPU 生产 同一份代码，仅靠 config.yaml 的 device + model + compute_type 三项切换。

---

功能特性

• 网页上传：拖拽 / 选择文件，多文件并发、4 MiB 分片、断点续传
• 双语字幕：英文在上、中文在下，亦可单独下载英文 / 中文字幕
• faster-whisper 转写：词级时间戳，断句精确（取首末词时间戳）
• NLLB-200 英译中：ASR 与翻译模型不共驻，翻译时独占显存跑大 batch
• 设置页：运行时调整 batch_size / beam_size，保存后对后续任务生效（DB 持久化）
• 任务管理：删除已完成/失败任务及其产物，进度条按批次细分
• 任务状态机：queued -> uploading -> extracting -> transcribing -> segmenting -> translating -> done
• 实时日志页：按级别分层（debug=详细子步骤 / info=阶段转换 / error=完整 traceback）
• 定时缓存清理：任务产物默认保留 7 天，超期连同 DB 记录一并删除
• SQLite 持久化（自包含，无需外部 DB）
• 离线运行：模型缓存就位后完全离线，无需访问 HuggingFace
• /docs（Swagger UI）公开访问

---

架构

Spring 风格分层，HTTP 边界（controllers）与业务逻辑（services）分离：

audio2text/
├── Dockerfile                    # 一份 Dockerfile，ARG VARIANT=cpu|gpu 出两个镜像
├── docker-compose.yml            # cpu / gpu / dev 三个 profile
├── setup.sh / start.sh / stop.sh # 安装 / 启动 / 停止（包装 docker 命令）
├── scripts/
│   └── prefetch_models.{sh,py}   # 预拉模型权重到 ./models volume（避免首次启动下载）
├── requirements.txt
├── config.example.yaml           # 配置模板（复制为 config.yaml 后填值）
├── docs/                         # 详细文档（见下方索引）
└── app/
    ├── main.py                   # FastAPI 应用工厂
    ├── config.py                 # 从 config.yaml 加载的类型化 Settings（pydantic）
    ├── database.py               # SQLite 引擎 / Session / Base / get_db
    ├── security.py               # /docs 的 Basic Auth（常量时间比较）
    ├── controllers/              # FastAPI 路由 —— HTTP 边界
    │   ├── upload_router.py      # 分片上传（建会话/查状态/传片/complete）
    │   └── task_router.py        # 任务列表 / 状态 / 下载字幕
    ├── services/                 # 业务逻辑
    │   ├── types.py             # 共享 DTO（Word/Segment/Subtitle，纯 dataclass）
    │   ├── upload_service.py     # 分片上传会话 + 拼接 + 创建任务
    │   ├── ffmpeg_service.py     # 提取音频 16k mono pcm
    │   ├── asr_service.py        # faster-whisper 转写
    │   ├── segmenter.py          # 断句 + 时间戳重算（纯算法，零模型依赖）
    │   ├── translate_service.py  # NLLB 翻译
    │   ├── model_manager.py      # 模型加载/卸载（不共驻核心）
    │   ├── scheduler.py          # ffmpeg 串行队列 + GPU 调度线程
    │   ├── pipeline.py           # 编排：提取→识别→断句→翻译→写SRT
    │   ├── srt_writer.py         # SRT 写入 + 双语合并
    │   ├── log_buffer.py         # 内存日志缓冲（供 /logs 页面查询）
    │   ├── reaper.py             # 清理被放弃的上传会话（短 TTL）
    │   └── cache_cleaner.py      # 定时清理超期任务产物 + 孤儿目录（长保留期）
    ├── models/                   # SQLAlchemy ORM
    │   ├── task.py               # Task（转写任务，状态机）
    │   └── upload_session.py     # UploadSession（分片会话，含 task_id FK）
    ├── schemas/                  # pydantic 请求/响应 DTO
    │   └── task.py
    └── views/
        ├── _shared.py            # 共享前端资产（BASE_CSS + SHARED_JS + 上传协议 + 页面骨架）
        ├── home_html.py          # 主页（上传入口 + 最近任务卡片）
        ├── history_html.py       # 历史任务分页表格（含搜索）
        └── logs_html.py          # 实时日志页

数据流

浏览器 /（主页）
   │ 分片上传 (4 MiB/片, 可断点续传)
   ▼
upload_router ──► upload_service ──► UploadSession(SQLite) + 分片落盘
   │ complete
   ▼
创建 Task(queued) ──► scheduler
   │
   ├─ ffmpeg 串行队列（最多 1 个并发，其余排队）→ 16k mono wav
   │     （按配置删原始视频）
   ├─ GPU 调度线程（单线程，模型复用）：
   │     get_asr → asr_service.transcribe  → segments(带词级时间戳)
   │     unload_asr → get_translator
   │     translate_service.translate  → 中文译文（独占显存大 batch）
   └─ srt_writer  → en.srt / zh.srt / bilingual.srt
         更新 Task(done) + 写 output_dir

---

快速开始

CPU 开发环境（2GB 内存即可）

./setup.sh          # 构建镜像 + 生成 config.yaml
./start.sh          # 启动容器（端口 8000）

GPU 生产环境（需 NVIDIA GPU + nvidia runtime）

AUDIO2TEXT_VARIANT=gpu ./setup.sh
./start.sh          # 自动检测 GPU 镜像 + nvidia-smi，端口 8001

启动后打开 http://127.0.0.1:8000/，拖入视频即可。详细部署流程、模型选型、CPU↔GPU 切换 见 部署指南。

---

离线部署（导入预构建镜像）

已有 audio2text-gpu.tar 镜像文件时，新机器无需构建，直接导入即可启动（仍需 NVIDIA 驱动 + nvidia container runtime + 模型缓存 ./models）：

# 1. 导入镜像
docker load -i audio2text-gpu.tar

# 2. 准备配置 + 数据目录
mkdir -p data-gpu/uploads data-gpu/.work data-gpu/outputs models

# 3. 启动容器（config.gpu.yaml 需自行准备，或从项目仓库取）
docker run -d --name audio2text-gpu \
    --gpus all \
    -p 8001:8000 \
    -v "$(pwd)/data-gpu:/data" \
    -v "$(pwd)/models:/models" \
    -v "$(pwd)/config.gpu.yaml:/app/config.yaml:ro" \
    --restart unless-stopped \
    audio2text:gpu

模型缓存：./models 目录需包含 Whisper large-v3-turbo + NLLB distilled-1.3B 权重 （约 5.5GB）。首次部署时从源机器拷贝 models/ 目录，或联网用 prefetch_models.sh 预拉。 镜像内置 HF_HUB_OFFLINE=1，模型就位后完全离线运行，无需访问 HuggingFace。

详细步骤见 Docker 说明 - 导入预构建镜像。

---

入口

入口	地址
主页（上传 + 最近任务）	http://127.0.0.1:8000/
历史任务	http://127.0.0.1:8000/history
实时日志	http://127.0.0.1:8000/logs
API 文档	http://127.0.0.1:8000/docs（Basic Auth）
健康检查	http://127.0.0.1:8000/health

---

文档索引

详细文档按主题拆分，主页只保留核心速览：

文档	内容
部署指南	CPU / GPU 完整部署流程、前置要求、模型选型、CPU↔GPU 切换、自定义端口
配置文件说明	CPU/GPU 配置差异表、全部字段说明（server/storage/asr/translation/...）、配置示例
Docker 说明	镜像构建、新建/重建/改配置/改依赖四种场景、缓存分层与删除边界、⚠️ until filter 失效根因、Volume 挂载
HTTP 接口	接口一览表、分片上传协议、请求/响应示例
架构与原理	断句算法、模型不共驻显存策略、GPU 利用率优化、缓存清理机制
常见问题	CPU 跑 NLLB、模型下载、断点续传、保留原始视频、自动清理等

---

依赖

• Python：FastAPI + uvicorn + SQLAlchemy + faster-whisper + transformers（torch 按 VARIANT 分叉，CPU/GPU 装不同 wheel）。完整列表见 requirements.txt
• 系统：ffmpeg（镜像内 apt 装）、patchelf（修复 ctranslate2 可执行栈）。GPU 需宿主 NVIDIA 驱动 + nvidia container runtime

镜像构建与依赖安装细节见 Docker 说明。